Avaliação de Equalização de Histograma em Segmentação de Radiografias Panorâmicas Odontológicas

##plugins.themes.bootstrap3.article.main##

Maria Alice Andrade Calazans
Felipe Alberto Barbosa Simão Ferreira
Maria de Lourdes Melo Guedes Alcoforado
Francisco Madeiro

Resumo

Nas áreas das ciências da saúde, é notória a crescente demanda por exames de imagens, em virtude do papel que exercem para fins de diagnóstico. Na odontologia as técnicas de imageamento são de suma importância, já que são capazes de prover ao odontólogo detalhes que não são possíveis de obter através do exame clínico, como informações sobre os ossos faciais, gengivas e raízes dentárias (NELSON, 2014). Nesse contexto, a radiografia panorâmica (RUSHTON; HORNER, 1996) permite representar a arcada dentária do paciente de maneira completa, mediante baixa exposição à radiação.  A interpretação de tais exames exige do especialista experiência. Sistemas computacionais têm sido desenvolvidos como uma ferramenta de apoio ao diagnóstico odontológico, contribuindo para o processo de análise de imagens, de forma objetiva. Assim, são desenvolvidas técnicas para fins de segmentação, para detectar os objetos de interesse, e classificação, para identificar patologias odontológicas, por exemplo (WANG et al., 2016). No cenário supracitado, a classificação automática pode ser precedida de segmentação de imagens (GONZALEZ; WOODS, 2009). O propósito deste trabalho é avaliar se há benefício decorrente da utilização de equalização de histograma como etapa prévia de segmentação de imagens odontológicas com o uso dos algoritmos K-Means (LINDE; BUZO; GRAY, 1980) e Fuzzy K-Means (BEZDEK; EHRLICH; FULL, 1984). Para tanto, os algoritmos foram implementados (em linguagem Python) e foi utilizada a base de dados UFBA-UESC (JADER et al., 2018), a qual possui 1.500 imagens de radiografias panorâmicas divididas em dez categorias, que incluem, por exemplo, ausência de dentes, presença de aparelho ortodôntico, implantes, dentes supranumerários e restaurações odontológicas. As imagens possuem dimensão de 1991 x 1127 pixels, todas em formato JPG. Para avaliação de desempenho foi considerada a matriz de confusão, a qual indica os erros e acertos: os verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos. Como métricas foram utilizadas: recall, que indica o percentual de verdadeiros positivos, dentre as classificações verdadeiras; acurácia, que fornece a informação em percentual de classificações corretas, dentre todas realizadas; precisão, que corresponde ao percentual de verdadeiros positivos, dentre todas as classificações positivas;  F1-score, calculada como a média harmônica entre recall e precisão; e especificidade, a qual indica o percentual de classificações verdadeiras negativas, dentre todas as negativas (FAWCETT, 2006). Os valores dessas medidas foram obtidos por meio da comparação entre as imagens segmentadas e os ground truths (segmentação de referência gerada por um especialista na área) correspondentes. Nas simulações com o algoritmo K-Means, sem aplicação do pré-processamento pela equalização de histograma, obteve-se acurácia de 0,7862; F1-score de 0,5785; especificidade de 0,7956; precisão de 0,5012 e recall de 0,7556. Já no K-Means com pré-processamento obteve-se acurácia de 0,7891; F1-score de 0,5801; especificidade de 0,8030; precisão de 0,5009 e recall de 0,7486. Para o algoritmo Fuzzy K-Means, sem pré-processamento, atingiu-se acurácia de 0,7837; F1-score de 0,5788; especificidade de 0,7903; precisão de 0,4955 e recall de 0,7653. Para este mesmo algoritmo, desta vez com o pré-processamento, têm-se acurácia de 0,7896; F1-score de 0,5837; especificidade de 0,8042; precisão de 0,5068 e recall de 0,7462. Com base nos resultados apresentados para o algoritmo K-Means na segmentação das imagens, a utilização do pré-processamento apresenta discreta superioridade em três das cinco métricas avaliadas. O mesmo ocorre no caso do Fuzzy K-Means. Comparando as quatro alternativas, o uso do algoritmo Fuzzy K-Means com o pré-processamento por equalização de histograma apresentou melhor desempenho, visto que obteve os maiores valores de acurácia, F1-score, especificidade e precisão. Em contrapartida, o ganho alcançado em relação aos demais métodos é sutil, ocorrendo às custas de um aumento da complexidade computacional, considerando o acréscimo de uma etapa de pré-processamento.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia da Computação e Sistemas